7073 Arbeiten
Der OneVision-Encoder stellt einen neuartigen multimodalen Ansatz vor, der durch die Ausrichtung auf codec-basierte Sparsity und die Fokussierung auf signifikante Bildbereiche nicht nur die Recheneffizienz steigert, sondern auch die Genauigkeit bei Bild- und Videoverständnis übertrifft.
Die Arbeit stellt HLGFA vor, ein unüberwachtes Framework zur industriellen Anomalieerkennung, das durch die Ausrichtung von Merkmalen zwischen hoch- und niedrigauflösenden Darstellungen sowie eine rauschbewusste Daten-Augmentierung eine hohe Genauigkeit ohne rekonstruktionsbasierte Pixelanalyse erreicht.
Das Papier stellt GigaBrain-0.5M* vor, ein Vision-Language-Action-Modell, das durch die Integration von Reinforcement Learning basierend auf einem Weltmodell (RAMP) überlegene Fähigkeiten in der räumlich-zeitlichen Vorhersage und langfristigen Ausführung komplexer Manipulationsaufgaben im Vergleich zu bestehenden Baselines erreicht.
Die Arbeit stellt PCReg-Net vor, ein progressives, kontrastgestütztes Deep-Learning-Framework zur präzisen und Echtzeit-fähigen deformierten Bildregistrierung über verschiedene Domänen hinweg, das die Herausforderungen heterogener Bildquellen durch einen vierstufigen Koarse-zu-Fein-Ansatz effektiv löst.
Diese Studie präsentiert eine groß angelegte systemische Analyse, die sieben Video-Foundation-Modelle zur Fernscreening von Parkinson-Erkrankungen auf einem Datensatz von 1.888 Teilnehmern bewertet und zeigt, dass die Leistung stark von der gewählten Architektur und der klinischen Aufgabe abhängt, wobei zwar eine hohe Spezifität, aber eine noch zu verbessernde Sensitivität erreicht wird.
Die Arbeit stellt das Deferred Visual Ingestion (DVI)-Framework vor, das durch den Verzicht auf eine Vorverarbeitung mit Vision-Language-Modellen und den Einsatz einer strukturbasierten Indexierung die Genauigkeit beim Beantworten von Fragen zu visuell dichten technischen Dokumenten im Vergleich zu herkömmlichen Ansätzen drastisch verbessert.
Diese Arbeit zeigt, dass eine globale Optimierungsmethode mit alternierender Minimierung und paralleler Gittersuche die Tiefenbestimmung aus unscharfen Bildern bei höheren Auflösungen als Deep-Learning-Verfahren effizient und effektiv löst.
Die Autoren stellen Hadamard-spektrale Codes vor, eine kompakte latente Darstellung, die durch einen lernbasierten Kodierer und Dekodierer eine effiziente spektrale Wiedergabe ermöglicht, indem sie die spektrale Linearität exakt erhält und die Multiplikation approximiert, wodurch hochwertige spektrale Ergebnisse mit nur wenigen RGB-Rendering-Pässen erzielt und auch RGB-Assets in den spektralen Workflow integriert werden können.
Die vorgestellte Arbeit entwickelt ein Framework zur automatisierten Entwirrung von Hautfarben in Dermatologiebildern, das durch gezielte Dekolorisierung und geometrische Nachbearbeitung realistische Farbmanipulationen ermöglicht, um so durch datenbasierte Augmentierung und Normalisierung die Diagnoseleistung über verschiedene Hauttöne hinweg zu verbessern und gerechtere medizinische Diagnosen zu fördern.
Das Paper stellt FUSAR-GPT vor, ein speziell für SAR-Bilder entwickeltes visuelles Sprachmodell, das durch die Integration eines geospatiale Basismodells, die Einbettung von räumlich-zeitlichen Merkmalen und eine zweistufige Entkopplungsstrategie die Interpretationsfähigkeiten von SAR-Daten signifikant verbessert und damit bestehende Modelle um mehr als 12 % übertrifft.
Die Arbeit stellt DICArt vor, ein neuartiges Framework zur Schätzung der Pose von artikulierten Objekten, das durch die Formulierung als bedingter diskreter Diffusionsprozess, einen flexiblen Flussentscheider und eine hierarchische kinematische Kopplung die Herausforderungen bestehender kontinuierlicher Methoden überwindet und eine robuste, kategorienübergreifende 6D-Pose-Schätzung ermöglicht.
Die Arbeit stellt TextPecker vor, eine RL-basierte Strategie, die durch die Quantifizierung struktureller Anomalien in Texten die visuelle Textdarstellung in Bildgenerierungsmodellen verbessert, indem sie das Versagen bestehender Modelle bei der Erkennung solcher Fehler überwindet und so neue State-of-the-Art-Ergebnisse für die strukturelle Treue und semantische Ausrichtung erzielt.
Die Arbeit stellt NORD vor, ein dateneffizientes Vision-Language-Action-Modell für autonomes Fahren, das durch die Anwendung von Dr. GRPO zur Überwindung von Schwierigkeitsverzerrungen eine wettbewerbsfähige Leistung mit weniger als 60 % der üblichen Trainingsdaten und ohne aufwändige Reasoning-Annotationen erzielt.
Die Arbeit stellt Durian vor, eine Schwierigkeitsbewusste Gruppen-Normalisierung, die die Instabilität herkömmlicher Normalisierungsmethoden bei multimodalen Large Language Models durch eine Neu-Gruppierung von Proben nach visueller Komplexität und Unsicherheit behebt und so die Reasoning-Leistung erheblich verbessert.
Das Papier stellt EndoDDC vor, eine Methode zur Verbesserung der endoskopischen Roboternavigation, die mithilfe eines Diffusionsmodells aus spärlichen Tiefendaten dichte und genaue Rekonstruktionen erzeugt, um die Herausforderungen schwacher Texturen und variabler Beleuchtung in chirurgischen Umgebungen zu bewältigen.
CoLoGen ist ein einheitlicher Diffusionsrahmen, der durch progressive Lernphasen und das neuartige Modul „Progressive Representation Weaving" (PRW) den Zielkonflikt zwischen konzeptuellem Verständnis und lokalisierender Präzision überwindet, um eine leistungsstarke, einheitliche Bildgenerierung zu ermöglichen.
Die Arbeit stellt Solaris vor, ein Multiplayer-Video-Weltmodell für Minecraft, das durch ein neuartiges Datensammelsystem, eine gestaffelte Trainingspipeline und die Checkpointed Self Forcing-Methode konsistente Mehrspieler-Interaktionen simuliert und damit bestehende Einzelagenten-Modelle übertrifft.
Die vorgestellte Arbeit stellt einen adaptiven Vorfilterungsrahmen vor, der durch die dynamische Zuweisung von Rechenbudgets basierend auf Frequenzmustern und Cluster-Kohärenz die Ähnlichkeitssuche in hochdimensionalen Räumen effizienter gestaltet und dabei bei gleicher Trefferquote den Rechenaufwand im Vergleich zu statischen Methoden um 20,4 % reduziert.
Die Arbeit stellt CrossLLM-Mamba vor, ein neuartiges Framework, das bidirektionale Mamba-Encoder nutzt, um die Vorhersage von RNA-Interaktionen durch dynamische Zustandsraum-Alignment-Strategien zu reformulieren und dabei state-of-the-art-Ergebnisse bei verschiedenen biologischen Bindungsaufgaben zu erzielen.
Die Studie zeigt, dass die Einführung robuster Verlustfunktionen beim Training nachgelagerter Modelle die Empfindlichkeit von Histopathologie-Foundation-Modellen gegenüber technischen Schwankungen verringert und gleichzeitig die Vorhersagegenauigkeit erhöht, ohne die Basismodelle selbst neu trainieren zu müssen.